我的问题与这个问题非常相似：机构名称的生成。我需要能够生成医疗 机构的“假”名称，特别是为单元测试创建数据。不幸的是，像 Faker 这样的简单工具不能很好地完成这项任务，所以我对更复杂的解决方案很感兴趣，可能涉及一些 NER 模型。我的问题是在哪里可以获得用于训练模型的文本语料库？文本必须包含（人类）可识别的医疗机构名称，最好是多种语言。我已经看到暗示可以通过抓取 PubMed 或其他 Web 资源来完成 - 可能有一些具体的例子或方法吗？
医疗机构名称的生成：培训语料库？
数据挖掘
Python
命名实体识别
文本生成
2022-03-01 09:48:01
2个回答
我可以想到几个选择来收集医疗机构样本：
维基百科有一个按国家分类的医院列表（维基百科是不是很神奇？）
许多国家都有某种国家医疗机构名录，但这可能很难废除，而且每个国家都有特定的情况。
UMLS为“医疗保健相关组织”（T093，参见此处）提供了一个类别（“语义组”），这意味着可以直接从 UMLS 数据中收集此类组织的列表。我认为这是一个不错的选择，但我做了一个快速测试，它似乎只包含部门名称，没有专有名词，例如：
Community occupational therapy clinic Abortion Center Area Health Education Center
鉴于 UMLS 与 PubMed 密切相关，我的猜测是这不是一个很好的方向，但可能我没有深入挖掘。公平警告：根据我的经验，处理整个 PubMed/PMC 需要做很多工作。
按照此链接中的描述，我找到了一种通过请求 NCBI RESTful 服务器来创建潜在医疗机构语料库的方法。
首先，您发送一个 ESearch 请求，其中包含一些搜索条件（例如，“radiology”、“dicom”、“segmentation”——或其他）。作为响应，您将获得一个带有 PubMed Id 列表的 XML 文档。
然后，您可以发送一个包含 ID 的 EFetch 请求，作为响应，您将获得一个 XML 文档，其中包含每个作者的标签。然后可以使用该数据来构建语料库（第一个近似值）